本發(fā)明涉及一種電力系統(tǒng)不良數(shù)據(jù)辨識方法，屬于電力系統(tǒng)運行與控制技術(shù)領域。

背景技術(shù)：

電力系統(tǒng)狀態(tài)估計是現(xiàn)代能量管理系統(tǒng)的重要組成部分，量測數(shù)據(jù)在信息的采集和傳輸過程中，除了受正常的噪聲影響外，還有可能含有不良數(shù)據(jù)，其不會導致狀態(tài)估計的結(jié)果收到影響。故進行不良數(shù)據(jù)的檢測與辨識具有重要的實際價值，以剔除不良數(shù)據(jù)，提高狀態(tài)估計的精度和可靠性。

已有的不良數(shù)據(jù)辨識的方法主要有殘差搜索法、非二次準則法、零殘差法和估計辨識法。這些方法主要是基于概率論思想，以加權(quán)殘差或標準殘差值作為特征值，并依據(jù)其分布特性，通過置信度水平設置門檻值，最終通過假設檢驗確定可疑測量數(shù)據(jù)后，將其從測量數(shù)據(jù)中排除或減小其權(quán)值，得到新的狀態(tài)估計值。但這些方法可能會出現(xiàn)殘差污染和殘差淹沒現(xiàn)象，存在漏檢或誤檢不良數(shù)據(jù)，影響不良數(shù)據(jù)辨識的效果。同時該過程中多次求解非線性方程組，因此實時性差。

技術(shù)實現(xiàn)要素：

為了解決上述技術(shù)問題，本發(fā)明提供了一種電力系統(tǒng)不良數(shù)據(jù)辨識方法。

為了達到上述目的，本發(fā)明所采用的技術(shù)方案是：

一種電力系統(tǒng)不良數(shù)據(jù)辨識方法，包括，

對系統(tǒng)進行狀態(tài)估計，得到殘差向量和殘差靈敏度矩陣；

建立不良數(shù)據(jù)辨識的稀疏優(yōu)化模型；

采用優(yōu)化方法求解稀疏優(yōu)化模型，得到量測誤差向量；

將量測誤差估計向量中每一個元素與預設的閾值比較，大于閾值的元素即為不良數(shù)據(jù)。

采用最小二乘法對系統(tǒng)進行狀態(tài)估計。

稀疏優(yōu)化模型為，

min||v||₁

s.t.W v＝r

其中，W為殘差靈敏度矩陣，v為測量誤差向量，r為殘差向量，|| ||₁表示v的一范數(shù)。

稀疏優(yōu)化模型為l₁范數(shù)優(yōu)化模型。

閾值ξ∈(0.001,0.01)。

量測誤差估計向量中不大于閾值的元素為正常數(shù)據(jù)。

本發(fā)明所達到的有益效果：本發(fā)明摒棄傳統(tǒng)的“假設檢驗”的概率論思路，創(chuàng)造性的挖掘出了稀疏優(yōu)化模型，進而將不良數(shù)據(jù)辨識問題轉(zhuǎn)化成一個優(yōu)化問題，大大提高了實用性和可靠性。

附圖說明

圖1為本發(fā)明的流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步描述。以下實施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，而不能以此來限制本發(fā)明的保護范圍。

觀點分析：通過最小二乘法狀態(tài)估計可以估計出殘差向量其中，是狀態(tài)量估計值，Z是量測值，h()為線性化后的量測函數(shù)向量，不良數(shù)據(jù)辨識的目的是通過r了解測量誤差v＝Z-h(x)，其中，x是狀態(tài)量真值，根據(jù)狀態(tài)估計理論，r＝Wv，W為殘差靈敏度矩陣，但是W是一個非滿秩矩陣，也就是說，已知r的情況下，v是具有無窮多組解的，所以傳統(tǒng)觀點認為通過r求v是不對的，但是本申請認為，通常情況下，不良數(shù)據(jù)的正常量測誤差是遠小于正常數(shù)據(jù)測誤差，這意味著x中，相比較于不良數(shù)量測點處，大多數(shù)正常數(shù)量的量測誤差非常小，故x是一個高度稀疏的向量，于是可以將不良數(shù)據(jù)辨識變成一個l₁范數(shù)優(yōu)化問題。具體方案如圖1所示，一種電力系統(tǒng)不良數(shù)據(jù)辨識方法，包括以下步驟：

步驟1，采用最小二乘法對系統(tǒng)進行狀態(tài)估計，得到殘差向量和殘差靈敏度矩陣。

步驟2，建立不良數(shù)據(jù)辨識的稀疏優(yōu)化模型。

該稀疏優(yōu)化模型為l₁范數(shù)優(yōu)化模型，具體如下：

min||v||₁

s.t.W v＝r

其中，W為殘差靈敏度矩陣，v為測量誤差向量，r為殘差向量，|| ||₁表示v的一范數(shù)。

步驟3，采用優(yōu)化方法求解稀疏優(yōu)化模型，得到量測誤差向量。

步驟4，將量測誤差估計向量中每一個元素與預設的閾值ξ比較，ξ∈(0.001,0.01)，大于閾值ξ的元素即為不良數(shù)據(jù)，不大于閾值ξ的元素為正常數(shù)據(jù)。

上述方法摒棄傳統(tǒng)的“假設檢驗”的概率論思路，創(chuàng)造性的挖掘出了稀疏優(yōu)化模型，進而將不良數(shù)據(jù)辨識問題轉(zhuǎn)化成一個優(yōu)化問題，大大提高了實用性和可靠性。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術(shù)領域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進和變形，這些改進和變形也應視為本發(fā)明的保護范圍。